- Страна
- Россия
Senior Data Engineer (ML-направление)
Оценка ИИOzon Банк — это сильный бренд с масштабными задачами и современным стеком. Позиция Senior в ML-направлении предлагает отличные возможности для профессионального роста и работы над высоконагруженными сервисами в одной из ведущих экосистем России.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИРоль Senior уровня в крупном финтехе подразумевает высокие требования к знанию систем обработки больших данных и архитектурному мышлению. Ожидается глубокая экспертиза в ML-инфраструктуре и умение работать в гибридном формате в Москве.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, однако для позиции Senior Data Engineer в московском финтехе рыночный диапазон составляет от 350 000 до 550 000 рублей после налогов. Ozon обычно предлагает конкурентоспособные условия, соответствующие или превышающие средние показатели по рынку.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Откликнитесь в Ozon Банк уже сейчас
Присоединяйтесь к команде Ozon Банка, чтобы строить передовую ML-платформу и влиять на финансовые сервисы миллионов пользователей!
Описание вакансии
Senior Data Engineer (ML-направление)
в Ozon Банк — онлайн-банк группы Ozon, предоставляющий финансовые услуги и сервисы для покупателей и продавцов маркетплейса.
Гибрид (Москва).
Ищет Марк Паненко, его Откликнуться.
Больше вакансий для технических менеджеров: @jobfortm
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Data Engineering
- Machine Learning
- ETL
- SQL
- Python
- Apache Spark
- Big Data
Возможные вопросы на собеседовании
Для Senior Data Engineer важно понимать, как эффективно доставлять данные для обучения и инференса моделей.
Расскажите о вашем опыте проектирования Feature Store: какие инструменты использовали и как решали проблему консистентности данных между обучением и продакшеном?
Ozon работает с огромными объемами данных, поэтому навыки оптимизации критичны.
С какими наиболее сложными проблемами производительности в Spark или Flink вы сталкивались и как их оптимизировали?
Вакансия открыта в ML-направлении банка, где важна надежность.
Как вы организуете мониторинг качества данных (Data Quality) в пайплайнах, критичных для работы ML-моделей?
Проверка архитектурных навыков.
Опишите архитектуру системы обработки данных, которую вы строили с нуля: какие компромиссы (trade-offs) пришлось выбрать и почему?
Проверка навыков командного взаимодействия.
